香港科技大学团队提出的时空插补和预测（STIMP）模型，解决了沿海生态系统叶绿素a预测中的数据不完整、时间变化和空间异质性问题。该模型利用深度学习技术，提升了叶绿素a的时空分布预测能力，并在全球多个沿海区域验证了其有效性。

数控机床通过伺服电机控制多轴运动，支持五轴联动，确保运动轨迹精确。RTCP功能简化编程，刀具轨迹与机床结构解耦。插补技术生成高精度脉冲信号，保证机床运动平滑准确。

本研究提出了一种名为NeuralPrefix的新方法，能够在高达50%的数据缺失率下准确恢复缺失样本，展现出良好的泛化能力。

本研究解决了多变量时间序列插补（MTSI）中存在的高计算成本与低效率弥补的问题。提出的CoSTI模型通过一致性训练，能够在保持与传统去噪扩散概率模型相当的插补质量的同时，大幅降低推理时间，适用于实时应用。研究表明，CoSTI在多个数据集和缺失数据场景中实现了高达98%的插补时间减少，推动了生成插补任务中的效率与准确性之间的平衡。

本研究提出了一种新的自助法置信区间，解决了机器学习预测误差处理不当的问题，适用于非均匀样本，且不依赖高质量的机器学习模型。

本研究提出了一种新型深度学习模型BRATI，用于多变量时间序列的缺失数据插补。BRATI结合了双向递归网络和注意力机制，实验结果表明其在多种缺失场景下优于现有模型，具备更高的准确性和鲁棒性。

本研究提出了一种两阶段的精炼扩散概率插补（RDPI）框架，以解决时空数据插补中的缺失问题。该方法通过初步估计和残差扩散，提高了插补精度并降低了计算成本。

本研究推出了PyPulse，一个用于生物信号插补的Python包，旨在解决传感器数据缺失问题。该包提供模块化框架，用户可通过单行代码运行工作流，并利用可视化工具比较不同方法，方便生物研究。

本研究解决了缺失数据插补中的重要挑战，即识别和利用特征之间的相互依赖性。我们提出了一种新颖的框架——二分和完全有向图神经网络（BCGNN），该模型显著提高了特征插补的准确性，相较于现有的方法，平均绝对误差减少了15%。

本研究提出了一种多视角变分自编码器（VAE）方法，旨在解决多视角数据插补中的关联性问题，有效填补缺失视角，提高分析准确性。

本研究提出了一种名为GIG的图数据插补方法，通过学习图差异依赖（GDDs）来训练模型，解决了传统方法缺乏数据上下文和可解释性的问题。实验结果显示，GIG在七个真实数据集上优于现有方法，提高了插补的可靠性和可解释性。

我们提出了一种新的时间序列分析架构，利用自监督预训练模型进行定制和微调，提升预测和插补任务的表现。该架构有效处理缺失数据和异常值，显著提高了插补和预测精度，并大幅减少了可训练参数。

论文研究了用深度神经网络解决多元时间序列插补问题。通过在Transformer模型中加入投影时间注意力、全局自适应图卷积和Fourier插补损失，提升模型的适用性和可解释性。实验在交通和太阳能数据集上进行，结果表明低秩属性有助于模型的广泛应用。

本研究解决了多元时间序列插补中未考虑潜在低维分布的问题，并提出了一种新的潜在空间评分扩散模型（LSSDM）。该模型通过无监督学习重建缺失数据的粗略值，并利用条件扩散模型生成高精度的插补值，从而在插补性能和不确定性分析方面优于现有方法。

本文提出了一种基于深度神经网络的掩码两通道解耦框架，用于解决复杂的多视角弱多标签学习任务。该框架将单通道视图级表示解耦为共享表示和视图专有表示，并设计了交叉通道对比损失以增强语义属性。同时，利用监督信息设计了标签引导的图正则化损失，帮助提取的嵌入特征保持几何结构，并采用随机片段掩码策略改善编码器的学习能力。该模型适应任意视图和标签缺失，并在实验证明了其有效性和先进性。

本文介绍了基于图的条件变分循环神经网络 (GC-VRNN) 的新方法，可同时执行轨迹插补和预测，从不完整的观测中提取空间特征并利用丢失的数据。通过实验证实了方法的出色性能，并提供了三个实践数据集。

该论文提出了两种结合多重填补模型的新方法，以提高准确性和减少偏差。一种方法利用多个填补模型创建置信区间，并通过阈值筛选低置信度的伪标签。另一种方法通过过滤不准确的数据和找到可靠的子集来减少偏差。实验证明该方法在分类准确性和减少偏差方面优于现有方法。